Курс Python → Оценка точности модели

Для того чтобы эффективно оценивать работу нашей модели машинного обучения, необходимо определить метод тестирования. Этот метод позволит нам оценить точность модели на тестовом наборе данных. Основное отличие метода тестирования от обучения заключается в том, что во время тестирования мы используем функцию model.eval(), которая переводит модель в режим тестирования. Также мы используем функцию torch.no_grad(), которая отключает вычисление градиента, поскольку во время тестирования нам не нужно обновлять веса модели.

Для начала необходимо перевести модель в режим тестирования с помощью функции model.eval(). Это позволяет модели работать в режиме, оптимизированном для тестирования, а не для обучения. Затем мы используем функцию torch.no_grad(), чтобы временно отключить вычисление градиента. Это позволяет ускорить процесс тестирования, так как нам не нужно хранить информацию о градиентах.

После того как модель переведена в режим тестирования и вычисление градиента отключено, мы можем приступить к оценке точности модели на тестовом наборе данных. Для этого вычисляем средние потери (loss) для каждого объекта в тестовом наборе. Затем суммируем потери и делим на общее количество объектов, чтобы получить среднюю потерю для всего тестового набора.

model.eval()

with torch.no_grad():
    for inputs, labels in test_loader:
        outputs = model(inputs)
        loss = criterion(outputs, labels)
        test_loss += loss.item()

После вычисления средних потерь на тестовом наборе данных, можно также оценить общую точность модели. Для этого можно использовать метрики оценки качества, такие как accuracy_score или confusion_matrix. Общая точность модели на тестовом наборе позволяет оценить ее работу и сравнить с другими моделями или параметрами обучения.

Твои коллеги будут рады, поделись в

Автор урока

Дмитрий Комаровский
Дмитрий Комаровский

Автоматизация процессов
в КраснодарБанки.ру

Другие уроки курса "Python"

  1. Вложенные функции в Python
  2. Преобразование символов в нижний регистр
  3. Функции с дополнением
  4. Python: изменяемые и неизменяемые коллекции
  5. Замена текста в Python
  6. Создание комплексных чисел
  7. Создание пользовательской коллекции в Python
  8. Метод get() для словарей
  9. Создание объекта timedelta
  10. Оценка выражений генератора в Python
  11. Форматирование чисел в Python
  12. Установка и использование Logzero
  13. Объединение кортежей в Python
  14. Установка и использование модуля «howdoi»
  15. Печать календаря в Python
  16. Оператор Walrus в Python 3.8
  17. Работа с YAML в Python: PyYAML.
  18. Измерение времени выполнения кода в Python
  19. Измерение времени выполнения кода
  20. Метод get() в Python
  21. Разница между датами
  22. Обработка элементов в Python
  23. Оператор space-invader
  24. Создание уникального множества
  25. Проверка подстроки в строке с помощью in
  26. Поиск подстроки в строке
  27. Python: возвращение нескольких значений
  28. Сравнение строк в Python
  29. Метод __float__ в Python
  30. Разбиение текста в Python
  31. PATCH-запрос с библиотекой requests
  32. Объединение словарей в Python
  33. F-строки в Python
  34. Путь к интерпретатору Python
  35. Справка по импортированным модулям
  36. Извлечение статей с newspaper3k
  37. Метод ifloordiv для пользовательских классов
  38. Работа с байтовыми строками в Python
  39. Использование функции enumerate()
  40. Генерация случайных чисел Python
  41. Создание спинбокса в tkinter
  42. Выход из профиля в Django
  43. Явный импорт в Python
  44. Метод enumerate() в Python
  45. Названия столбцов в Python таблицах

Marketello читают маркетологи из крутых компаний